El reconocimiento facial ha evolucionado desde las tabletas RAND de Woodrow Bledsoe en los años 60 hasta los sistemas de aprendizaje profundo actuales que hoy protegen la identidad digital frente al fraude. Repasamos los principales hitos de esta evolución, cómo funciona la tecnología, qué precisión ha alcanzado, cuáles son sus principales limitaciones y por qué la biometría multimodal y la detección de vida son ya piezas fundamentales en la verificación de identidad digital.

¿En qué consiste el reconocimiento facial?

Este tipo de tecnología extrae características biométricas con poder discriminativo de una imagen facial y las modela como un patrón numérico único para diferenciar a las personas.

El reconocimiento facial se basa en la extracción de características biométricas que tengan poder discriminativo para poder diferenciar a unas personas de otras.

Cada imagen facial se modela con una serie de valores numéricos que, agrupados, componen lo que popularmente se denomina patrón de características.

Estos patrones pueden utilizarse posteriormente para llevar a cabo diferentes operaciones: el cálculo del parecido entre dos caras (correspondencia), la identificación de una persona dentro de un conjunto (identificación) o la verificación de su identidad, es decir, comprobar si alguien es realmente quien dice ser (verificación).

El sistema tiene buena acogida por su robustez, fiabilidad y bajo carácter intrusivo, ya que requiere apenas una imagen para el proceso.

A diferencia de otros métodos biométricos como la huella dactilar o el iris, el reconocimiento facial no exige contacto físico ni hardware especializado, solo una cámara estándar, lo que explica su rápida adopción.

¿Quién fue el primero en desarrollar la tecnología de reconocimiento facial?

El matemático Woodrow Wilson Bledsoe desarrolló en los años 60 el primer sistema de reconocimiento facial, digitalizando rasgos faciales con tabletas RAND y coordenadas electromagnéticas.

Woodrow Wilson Bledsoe, matemático de los años sesenta, creó un prototipo con tabletas RAND que permitían digitalizar rasgos faciales mediante coordenadas electromagnéticas. El sistema comparaba nuevas imágenes con una base de datos preexistente, estableciendo las bases para la biometría facial moderna.

Bledsoe no trabajó solo

Entre 1964 y 1966, en la empresa Panoramic Research (Palo Alto), el proyecto lo completaban Helen Chan Wolf y Charles Bisson, coautoras del informe técnico «A Man-Machine Facial Recognition System, Some Preliminary Results» (1965). El sistema era semiautomático: una persona marcaba a mano puntos como el centro de las pupilas o las esquinas de los ojos sobre una tableta gráfica, a un ritmo de unas 40 fotos por hora, y el ordenador calculaba 20 distancias faciales normalizadas para compensar el giro, la inclinación y el tamaño de la cabeza. En pruebas posteriores con más de 2.000 fotografías, el ordenador superó de forma consistente a los operadores humanos. 

Cuando Bledsoe dejó el proyecto en 1966, Peter Hart continuó el trabajo en el Stanford Research Institute (SRI). Wolf se incorporó también a SRI, donde contribuyó al procesamiento de imágenes y la extracción de coordenadas para Shakey, el primer robot móvil autónomo del mundo, un proyecto reconocido en 2017 con un IEEE Milestone, la misma distinción que ha recibido, por ejemplo, la primera transmisión radiofónica transatlántica de Marconi.

¿Cómo ha evolucionado el reconocimiento facial hasta hoy?

Eigenfaces y la detección de objetos

Del sistema manual de Bledsoe se pasó en 1991 a los Eigenfaces, en 2001 al algoritmo Viola-Jones y en 2014 al deep learning, que con DeepFace ya igualaba la precisión del ojo humano.

Después de Bledsoe surgieron métodos antropométricos basados en marcadores faciales: en 1971, los investigadores Goldstein, Harmon y Lesk propusieron identificar rostros a partir de 21 marcadores subjetivos , como el grosor de los labios o el color del pelo, aunque esas medidas todavía había que calcularlas a mano, sin automatización real.

En 1991, los investigadores Matthew Turk y Alex Pentland, del MIT, presentaron el método Eigenfaces, basado en Análisis de Componentes Principales (PCA): representaba cualquier rostro como una combinación ponderada de un conjunto reducido de rostros propios, lo que por primera vez hizo viable el reconocimiento facial en tiempo real con un coste computacional razonable.

Un punto decisivo llegó en 2001, cuando Paul Viola y Michael Jones propusieron un marco de trabajo para la detección de objetos usando características Haar, permitiendo por primera vez detección facial en tiempo real con hardware modesto.

La creación de Mobbeel

En paralelo a estos avances globales, en España nacía Mobbeel. En 2009 logró reconocer personas a través del iris usando los teléfonos móviles de la época, siendo pionera mundial en biometría de iris en dispositivos móviles, antes de que Google lanzara Face Unlock en 2011 o Apple presentara Touch ID en 2013. Ese mismo año, el proyecto quedó finalista mundial en el primer Android Developer Challenge organizado por Google, lo que le dio a la compañía extremeña proyección internacional desde su nacimiento e hizo que a día de hoy forme parte de la historia del reconocimiento facial.

Lo que pasó después de 2014

El siguiente salto llegó en 2014, cuando el equipo de IA de Facebook (Yaniv Taigman, Ming Yang, Marc’Aurelio Ranzato y Lior Wolf) presentó DeepFace en la conferencia CVPR: un sistema basado en redes neuronales profundas que alcanzó un 97,35 % de precisión en el dataset de referencia LFW, prácticamente al nivel del 97,53 % que logra el ojo humano.

Google respondió en 2015 con FaceNet, que en lugar de clasificar caras directamente aprendía a situarlas en un espacio de 128 dimensiones mediante una función llamada triplet loss: acerca las imágenes de una misma persona y aleja las de personas distintas. El resultado fue un salto de precisión hasta el 99,63 % en el mismo benchmark LFW. 

En 2019 llegó ArcFace, desarrollado por el equipo de InsightFace, que introdujo una función de pérdida con margen angular aditivo para separar mejor las identidades en el espacio de características. Se convirtió en el estándar de facto para entrenar modelos de reconocimiento facial, con más de 8.000 citas académicas y adopción generalizada en frameworks comerciales.  

Actualmente, los algoritmos de aprendizaje profundo derivados de este linaje, DeepFace, FaceNet, ArcFace,  predominan, creando sus propios extractores de características al analizar relaciones complejas en la imagen, sin necesidad de descriptores predefinidos por un humano.

Este avance técnico coincide con un mercado en expansión. El mercado global de reconocimiento facial se estima en 10.130 millones de dólares en 2026, con una previsión de crecimiento hasta 30.520 millones en 2034 según informa Fortune Business Insights.  

IA ACT como avance normativo en la historial del reconocimiento facial 

El marco regulatorio también ha ganado claridad. Desde febrero de 2025, el AI Act europeo reconoce la verificación de identidad 1:1 con consentimiento, el modelo que usan los procesos de onboarding,  como un uso permitido y reserva sus restricciones a la identificación biométrica en tiempo real en espacios públicos.

¿Qué tan preciso es el reconocimiento facial hoy y qué limitaciones tiene?

Los algoritmos más precisos actuales tienen bajas tasas de error entre grupos demográficos, aunque la precisión real depende del proveedor, la calidad de la imagen y la protección frente a deepfakes.

Evaluación de algoritmos por el NIST

El NIST (National Institute of Standards and Technology, EE. UU.) mantiene desde el año 2000 el programa FRVT/FRTE (Face Recognition Vendor Test), una evaluación independiente y continua del sector, activa de forma indefinida, sin fecha de cierre, no un informe puntual. Solo en sus estudios sobre efectos demográficos ha evaluado ya cerca de 200 algoritmos de un centenar de desarrolladores distintos, usando una base de más de 18 millones de imágenes de más de 8 millones de personas 

Conviene leer cualquier cifra concreta de esta evaluación como una fotografía de un momento, no como un valor fijo, ya que al ser continua, el ranking y las tasas de error cambian con cada nueva ronda, así que lo relevante hoy puede quedar desfasado en un tiempo por eso conviene consultar siempre la comparativa vigente en la web del NIST en lugar de citar un dato congelado. 

El problema de la suplantación de identidad facial

El otro reto activo es la suplantación mediante deepfakes faciales. Un estudio de la Universidad de Florida publicado en marzo de 2026 encontró que, ante fotos de rostros generadas por IA, las personas no acertaron más de lo que lo haría el azar, mientras que los algoritmos de detección alcanzaron hasta el 97 % de precisión. Con vídeos, el patrón se invirtió, las personas identificaron correctamente el vídeo auténtico frente al falso en torno al 67 % de las veces, mientras que los algoritmos rindieron a nivel de azar, aparentemente porque las personas captan inconsistencias sutiles en el movimiento. Ninguno de los dos enfoques basta por sí solo, por eso ningún sistema de verificación facial serio se apoya solo en la comparación de rostros, se combina con detección de vida que comprueba que hay una persona real presente frente a la cámara, no una foto, un vídeo o una máscara.

¿Por qué se combina el rostro con otras modalidades biométricas?

La biometría multimodal combina rostro, voz, huella o documento para compensar las limitaciones de cada modalidad individual y dificultar el fraude. 

Superponer varias capas biométricas mitiga las debilidades de cada una por separado, los cambios de iluminación pueden afectar al rostro, el ruido ambiental a la voz y mejora la experiencia de usuario cuando la detección de vida se ejecuta de forma pasiva, sin fricción perceptible. Un estudio de referencia del NIST sobre fusión biométrica mostró que combinar huella dactilar y rostro reduce la tasa de falsos rechazos entre un 50 % y un 90% frente a usar una sola modalidad, precisamente porque las puntuaciones de ambas resultan prácticamente independientes entre sí.  

Esto no es una tendencia futura, ya está aquí. 

¿Cómo se verifica que hay una persona real detrás de un agente de IA?

A medida que los agentes de IA actúan de forma cada vez más autónoma comprando, reservando, negociando en nombre de una persona, surgen dos preguntas distintas, aunque relacionadas. La primera es un problema de identidad del propio agente: ¿es quien dice ser y sigue actuando dentro de los límites que se le fijaron, sin rostro, huella ni pasaporte que comprobar? Mobbeel ya ha respondido esa pregunta en detalle en KYC para robots: cómo verificar la identidad de un agente de IA. La segunda pregunta, más cercana a la biometría facial y a la que nos referimos aquí, es otra: cuando ese agente actúa en nombre de una persona concreta, ¿cómo se demuestra que hay alguien real autorizando esa acción, y no un script o una identidad sintética?

A esta segunda cuestión se le empieza a llamar proof of human, y la cara es la vía más práctica para resolverla.

La base técnica ya existe y está estandarizada, esto es la prueba de vida facial, que distingue una persona real presente frente a la cámara de una foto, un vídeo o una máscara, se rige por el marco internacional ISO/IEC 30107, que define cómo se evalúa y certifica la resistencia de un sistema biométrico frente a intentos de suplantación.

Esa misma detección de vida que ya protege el onboarding, protege de fondo la mitad «humana» de este problema. No es suficiente con reconocer una cara, hay que demostrar que hay una persona real y presente detrás de ella en el mismo instante de la acción. Es, probablemente, uno de los próximos grandes terrenos de aplicación del reconocimiento facial.

¿Para qué se utiliza la biometría facial en la actualidad?

Hoy la biometría facial se usa, sobre todo, en el onboarding digital regulado por normativas KYC (Know Your Customer) y AML (Anti-Money Laundering). Sectores como banca, seguros y telecomunicaciones necesitan verificar la identidad del cliente de forma remota antes de abrir una cuenta o activar un servicio. BFSI (Banking, Financial Services, and Insurance) es el sector con más peso económico, puesto que concentrará el 23,55 % del mercado global de reconocimiento facial en 2026, impulsado precisamente por estos requisitos de cumplimiento.

El control fronterizo es otro terreno donde ya opera a gran escala. A menor escala, también se usa en control de accesos físicos, identificación criminal, búsqueda de personas desaparecidas y desbloqueo de dispositivos, usos ya asentados, aunque con menor peso relativo en el mercado.

 Sanidad (para agilizar el registro de pacientes) y seguridad son, de hecho, los sectores con mayor crecimiento previsto hasta 2034, con tasas anuales del 19,9 % y el 19 % respectivamente, por delante incluso del ritmo de crecimiento del sector bancario, que ya parte de una base mucho más grande.

Detrás de esta adopción hay un problema económico concreto: el fraude de identidad tradicional costó 23.000 millones de dólares a los consumidores estadounidenses en 2024. Frente a eso, la biometría ya gana terreno a la contraseña tradicional. En una encuesta de FIDO Alliance a 10.000 consumidores en diez países, el 29 % prefiere la huella dactilar o el escaneo facial para iniciar sesión, frente a solo el 19 % que prefiere introducir una contraseña manualmente.